《Renewable Energy Focus》:A hybrid stochastic-machine learning model for long-term predictions of electricity prices
V.V.L. 阿尔巴尼 | P.S.E. 莫雷拉 | M. 杰雷米亚 | E.T. 西卡 | E. 桑托斯 | S.L. 阿维拉
里约热内卢联邦大学数学研究所,阿托斯·达·西尔维拉·拉莫斯大道149号,技术中心C区,大学城,里约热内卢21941-909,巴西
摘要
我们提出了一种基于多元混合模型的长期电价预测工具,该模型将远期价格与外生驱动因素直接联系起来,同时保持了易于处理的随机结构。该模型将远期价格表示为均值回归随机成分和由神经网络学习的非线性、数据驱动的协变量项之和,从而以灵活且简洁的方式纳入气候、需求和经济信息。利用协变量的预测作为输入,该模型可以在不依赖递归价格外推的情况下生成九个月后的样本外价格情景。针对巴西东南部/中西部市场的实证结果表明,前馈神经网络-随机模型在预测性能上始终优于纯均值回归模型和季节性简单基准模型,具有相对较低的样本外误差和紧密的预测分布。此外,该模型还提供了改进的风险估计,通过可靠的5%条件风险价值(cVaR)指标得以体现,特别是在协变量价格依赖性强或价格动态偏离季节性模式的情况下,这突显了其在基于情景的风险和资产配置分析中的实际优势。
引言
众所周知,电力是一种不可储存的商品,这使得远期价格的建模和预测变得困难[1]。价格还受到季节性效应、监管变化以及供需冲击的影响。例如,供应冲击可能由战争和极端气候事件(如长期干旱和飓风)引起。需求冲击可能由热浪、工业活动意外增加或经济危机引起。因此,电价模型必须考虑一系列因素,这些因素通常取决于特定市场,如发电概况、气候、消费概况和监管政策。已经提出了多种模型,其中许多模型基于随机微分方程(SDE)[1]、[2]、[3]、[4]、机器学习技术[5]、[6]、[7]以及计量经济模型[8]、[9]、[10]、[11]等。我们提出了一种混合模型,用于预测电力市场的远期合约价格,该模型结合了随机微分方程和机器学习。神经网络用于量化外部因素(如经济活动、电力需求、天气和水文)对价格动态的影响,而SDE则纳入了电价的一些已知特征,如均值回归和波动性。该模型使用来自巴西电力市场的数据进行了测试,巴西电力市场是世界上最大的市场之一,使用多种发电方式,如水力、热力、太阳能、风能和核能。鉴于所考虑市场的复杂性和即将呈现的实证结果,所提出的定价工具具有足够的灵活性,可以应用于不同的电力市场,并考虑相关的外部定量数据。
巴西电力市场划分为多个区域。因此,根据市场的流动性,我们重点关注东南部/中西部地区。巴西大部分人口居住在东南部/中西部地区,那里也集中了大多数工业设施。巴西是最大的电力消费国和生产国之一,其电力生产主要以水力发电为主。在干旱季节,热力发电厂用于满足需求。最近,风能和太阳能发电也变得重要,但主要能源仍然是水力和热力发电。巴西的电力来源分布可以在相关网站上查看[13]。
在巴西,电力供应链由一系列实体组成,形成了国家互联系统(SIN),该系统由国家系统运营商(ONS)管理。电力商业化商会(CCEE)根据月度运营计划(PMO)、边际运营成本(CMO)和差价结算价格(PLD)每月确定电力合约的参考价格。这些参考价格的远期合约在巴西电力交易大厅(BBCE)由授权的经济代理实时交易。谈判由BBCE记录,历史数据包含价格值、交易量以及买入(需求)和卖出(供应)的数量。然而,这些数据并非公开可用。
巴西电价波动的主要驱动因素是水力水库的储存能量(EARM)和丰富的自然能源(ENA),这些因素与气候相关,引入了季节性。这些是可观测的数量,由BBCE发布,并由ONS用于管理电力供应和发电网络,从而影响价格形成。如上所述,价格还可能受到其他因素的影响。我们认为,通货膨胀和需求波动对电价形成也有重要影响。因此,我们在模型中考虑了两个额外的变量,即扩展的国家消费者价格指数(IPCA)和Carga。
Carga是指发电厂每天输送的电力量,以平均兆瓦为单位。它与区域市场的电力需求直接相关。通货膨胀可以视为经济活动的衡量指标。如果通货膨胀率高,经济活动也可能高,高经济活动会促进电力需求,因为这会转化为商品消费。为了满足商品需求,电力需求会增加。通货膨胀可以通过不同的形式来衡量,在巴西,官方通货膨胀指数之一是IPCA。
巴西电力市场的另一个重要方面是上述提到的PLD。它用于评估在CCEE确定的能源合约的价值。国家电力局(ANEEL)每年根据法规更新PLD的最低和最高值[14]。实际上,这些是电力合约价格的界限。因此,任何价格模型都必须遵守这些界限。
本文的主要贡献是引入了一个描述电力远期合约价格长期动态的模型。该模型考虑了与气候(ENA)、经济活动(IPCA)和电力需求(Carga)相关的变量。该模型以自然对数尺度定义,由两个组成部分构成。一个组成部分是由前馈神经网络给出的,该网络依赖于ENA、Carga和IPCA变量。另一个组成部分是由多维随机微分方程给出的,用于解释偏离均值的随机偏差,这种偏差与第一个因素成正比。模型预测还考虑了PLD的最低和最高值,并使用主成分分析(PCA)来确定模型随机成分中的风险因子数量[15]。
该模型以简洁的方式描述了不同到期时间的远期合约价格动态,同时考虑了相关市场信息。换句话说,模型中未知数的数量经过精心选择,以实现模型精度,避免过拟合。为此,根据数据集的大小选择了神经网络的规模,并在随机项的校准和神经网络训练中使用了正则化方法。模型估计,即神经网络训练和随机项校准,在计算上成本较低。这使得参数几乎可以实时更新。
该模型使用第三方提供的ENA、IPCA和Carga预测来进行样本外预测。因此,价格预测仅限于九个月后。通过使用巴西东南部/中西部市场的数据集进行滚动窗口估计,将模型预测精度与所提出模型的不同变体以及季节性简单预测进行了比较。总体而言,所提出的模型提供了比简单预测更准确的预测结果。模型预测还用于评估条件风险价值(cVaR)这一风险指标,这对于风险分析也非常有用,特别是在模型与简单预测有显著差异或价格与协变量高度相关时。方法的图形描述见图1。
本研究扩展了之前的研究,该研究提出了一个结合神经网络和随机模型的混合模型[16]。在之前的研究中,模型是单变量的,仅考虑ENA,并专注于短期预测。在这里,模型是多变量的,考虑了更多的协变量,并专注于长期预测。此外,还通过使用蒙特卡洛模拟的情景来评估模型的风险分析能力。
已经提出了多种电力价格建模和预测方法。经典的计量经济模型,如ARIMA和GARCH型模型,已被广泛用于短期预测[8]、[17]、[18]、[19]、[20]、[21]、[22]。这些模型在捕捉序列依赖性和条件异方差性方面有效,但它们的本质上是自回归的,这限制了它们纳入价格形成外生驱动因素的能力。此外,ARIMA型模型在捕捉厚尾和波动聚集方面存在困难[23],而GARCH型模型可能难以估计,并可能施加严格的参数限制[24]、[25]。
神经网络因其在建模非线性关系方面的灵活性而被提出作为替代方案[5]、[6]、[7]。尽管它们能够捕捉价格与外部变量之间的复杂相互作用,但通常需要降维技术(如主成分分析(PCA)[15]、[26],并且容易过拟合,解释性也有限[4]。此外,即使是最复杂的架构也可能难以持续优于季节性简单基准[27],特别是在随机冲击主导动态的情况下。
随机微分方程(SDE)模型在金融和商品市场中构成了一个核心框架[1],非常适合表示均值回归和波动性等特征。关于电价模型的综述见[28]、[29]。在能源市场的应用包括对Cox-Ingersoll-Ross [30]和Heath-Jarrow-Morton [31]模型的改编[1]、[32],以及针对巴西市场的均值回归模型[4]。然而,标准的SDE模型通常是马尔可夫的,没有明确纳入可观测的协变量,这可能限制了它们反映价格形成结构驱动因素的能力。
除了预测性能外,风险表示在电力市场中也是一个核心问题,因为价格动态直接影响投资组合敞口、合约估值和运营规划[29]、[33]。在这些限制在巴西电力市场中尤为明显,因为远期价格受到水文流量、需求和宏观经济条件的强烈影响[2]、[4]。纯粹的自回归或纯粹数据驱动的模型无法同时提供解释性、随机一致性和对这些协变量的灵活依赖性[27]、[28]。这激发了我们提出的混合随机-神经模型,该模型结合了均值回归的SDE成分和由可观测外生变量驱动的神经网络成分[7]、[16]。这种结构保持了模拟和风险分析的可行性,同时允许在以水力为主的系统中体现非线性和数据驱动的效应,使其特别适合巴西的实际情况。
文章的结构如下:第2节描述了模型的构建、模拟和估计。第3节展示了使用真实数据的数值结果。第4节提出了结论性意见。补充材料提供了数据集描述和额外的线性回归数值实验。
材料与方法
本节描述了数据集、一些市场变量对电力远期价格影响的分析、数学模型、价格预测程序和估计技术。数据集的描述可以在补充材料的S.1节中找到。
结果与讨论
在本节中,NN-S结果是通过前馈神经网络获得的。使用LR模型的结果可以在补充材料的S.2节中找到。与LR结果相比,NN-S模型的整体性能更优。
结论
本研究提出了一个混合随机-机器学习框架,该框架将远期价格与价格形成的外生驱动因素明确联系起来,同时保持了简洁且易于解释的随机结构。关键的创新之处在于将协变量驱动的非线性效应(由神经网络捕获)直接嵌入到多变量均值回归价格动态中,使模型能够适应由气候、需求和经济活动驱动的制度变化。实证结果……
CRediT作者贡献声明
V.V.L. 阿尔巴尼:写作——审稿与编辑、研究、形式分析、概念化。P.S.E. 莫雷拉:写作——初稿撰写、软件开发、研究、形式分析、数据管理。M. 杰雷米亚:写作——初稿撰写、软件开发、研究、数据管理、概念化。E.T. 西卡:写作——初稿撰写、方法论设计、研究、形式分析。E. 桑托斯:写作——审稿与编辑、资源协调、数据管理、概念化。S.L. 阿维拉:写作——审稿与编辑
资助
本研究得到了IFSC、URCA Trading和EMBRAPII的支持,资助编号为PFLN-2211.0014。
利益冲突声明
作者声明在准备本文过程中没有利益冲突。